2026 年夏季开源模型现状报告

TL;DR

Hugging Face 的 2026 年夏季分析显示，中国实验室目前在开源前沿模型的发布方面处于领先地位，而现实世界的大部分使用仍集中在 1B 以下的模型上；Qwen 已成为事实上的基础模型，而自主智能体（autonomous agents）已成为 Hub 的主要流量来源。

1. 前沿模型规模向中国转移

  • 中国实验室在 2026 年几乎每个月都发布了最大的开源模型，参数量范围从 754B 到 2.78T 不等。
  • 相比之下，美国实验室在七个月中的五个月里都保持在 130B 以下，除了 NVIDIA 的 Nemotron 3 Ultra (561B) 和 Thinking Machines 的 Inkling (952B)。
  • 诸如 Moonshot, MiniMax, Xiaomi, and Z.ai 等实验室几乎只发布 > 70B 的模型，目标是追求基准测试的声誉而非开发者的易用性。
  • 腾讯和阿里巴巴的 Qwen 系列涵盖了全尺寸频谱，同时提供极小规模和万亿参数的版本。
  • 硬件厂商（AMD, NVIDIA）在模型发布方面占据主导地位（各拥有 > 200 个仓库），利用开源模型来展示芯片性能。
  • 大多数超过 100B 的美国前沿模型发布是基于中国模型的改编，而非原创作品。

2. 注意力 ≠ 采用率

  • 在按 downloads（下载量）和按 likes（点赞数）排名的前 25 个仓库中，仅有 一个 共同条目，这表明了热度与实际使用之间存在明显的脱节。
  • 下载量倾向于长期存在、稳定的模型（例如拥有 1.55B 次拉取的 all-MiniLM-L6-v2），而点赞数则在最新发布的前沿模型中激增。
  • 中国前沿实验室（MiniMax, Moonshot, DeepSeek, Z.ai）的下载量集中在 > 70B 的模型上；美国实验室（Google, Microsoft, IBM Granite）的大型模型几乎没有下载量。
  • Qwen 的广泛家族在 2026 年实现了 2,045M 次下载，大约是 Moonshot 仅限前沿模型的组合（37M）的 55 倍。
  • 采用率很大程度上是在模型发布的最初几个月内决定的，之后使用率会进入平台期。

3. 开源权重许可趋势

  • 在 178 个参数 > 20B 的中国发布版本中，59% 使用 Apache 2.0，22% 使用 MIT；没有一个施加非商业限制。
  • 美国的大规模发布许可性较低：只有 29% 是 Apache/MIT，41% 带有自定义条款，30% 未声明许可。
  • 宽松的许可意味着收入预期来自于 API 服务、硬件销售或平台定位，而非权重本身。

4. Qwen 成为社区的基础模型

  • Qwen 的衍生模型在 Hub 上总计有 151,448 个仓库，是 Meta 影响力的 2.6 倍 和 Llama 的 4.7 倍。
  • 日均创建率：在 2026 年前七个月，每天有 180–210 个新的基于 Qwen 的仓库。
  • Qwen 统治地位的驱动因素：
    1. 持续的发布节奏，涵盖多种尺寸。
    2. 广泛的用例覆盖，允许开发者留在单一生态系统中。
    3. Apache 2.0 许可，最大限度地减少了法律摩擦。
  • 大多数衍生模型是由社区生成的；Qwen 本身在 28,531 个 GGUF 转换中仅贡献了 54 个。

5. 小模型仍是实用层

  • 参数 < 1B 的模型占历史总下载量的 83%；> 100B 的模型仅占 1%。
  • 在 2026 年，只有 3% 的下载量流向了 > 70B 的模型。
  • llama.cpp 项目现在已得到 Hugging Face 的全面支持，可以通过 GGUF 格式实现万亿参数模型的本地推理。
  • 七月份的 GGUF 下载量：Qwen 为 39.6M，Gemma 为 20.8M，Llama 为 7.5M。
  • 与运行时相关的仓库（gguf, lerobot, Apple mlx）分别增长了 464%、194% 和 148%，超过了像 transformers (+16%) 这样的核心库。
  • 实验室可以通过提供官方 GGUF 转换和清晰的量化文档，利用 Unsloth 等社区转换器来加速采用。

6. 智能体是新的 Hub 主要用户

  • agent-usage 数据集（2026 年 7 月发布）追踪了自主智能体向 Hub 发起的 token 调用。
  • Claude Code 在七月份的流量中占据主导地位，占比 44.4%，但其份额波动巨大（4 月份为 67.8%，5 月份为 6.4%），表明市场具有波动性且变化迅速。
  • 七月份约 25% 的智能体流量来自未识别的客户端标识符，在五月份这一比例上升至 59.8%，表明新智能体的出现速度快于注册机构的编目速度。
  • 最近的基础设施升级（agent-trace 数据集、agents.md 端点、hf_fs 工具、将 MCP 集成到 Linux Foundation 的 Agentic AI Foundation）反映了向机器对机器交互的战略转移。
  • 七月份记录到的一次自主入侵事件中，在闭源模型的安全防护失效后使用了量化开源模型 (GLM-5.2)，这强调了智能体驱动的工作流中新兴的安全考量。

7. 展望未来

  • 地缘政治再平衡仍在继续：中国前沿模型吸引了最多的社区关注，而美国的贡献则集中在硬件优化的转换和更广泛规模的家族上。
  • 小模型的主导地位和不断扩展的本地推理栈（llama.cpp, GGUF）将保持生态系统的易用性，在开发者、发布者和下游用户之间建立反馈循环。
  • 随着智能体成为 Hub 的主要流量来源，未来的报告可能需要新的指标和方法来捕捉以机器为中心的活动。

方法说明

  • 分析涵盖了从 2026 年 1 月至 7 月 的 Hub 活动。
  • 指标（下载量、点赞数、衍生模型、发布版本）反映了 Hub 特有的信号，并不涵盖私有部署、Hub 之外的 API 使用或非 Hub 分发渠道。
  • 下载量衡量 Hub 管道内的使用情况；点赞数表示社区兴趣；衍生模型标志着下游开发工作量。
  • 结果应被视为更广泛 AI 市场的部分视角。

Sources

相关